人脸识别引起了研究者的广泛兴趣和关注,在公共生活和安全领域具有广阔的市场前景。当前,优秀的人脸识别算法在理想条件下能达到满意的识别效果。但是,在非理想条件下(光照变化、姿态不同、面部表情差异、有无遮挡等),人脸的识别性能还有待提高。要建立鲁棒性好、实用的人脸识别系统还需要解决很多问题。本文通过对人脸全局特征和局部特征的特点进行分析,基于互补的思想,利用神经网络对全局和局部特征进行融合,设计分类器,从而提高人脸识别的正确率。本文研究的内容主要有:1、运用全局特征对人脸进行识别,确定人脸全局特征提取方法。分别采用主成份分析法(Principal Component Analysis,PCA)和2D-PCA提取全局特征并进行人脸识别,对两种方法进行比较,确定采用PCA方法获得人脸全局特征。2、运用Gabor变换提取人脸局部特征,采用多分类器融合策略对人脸进行识别。Gabor变换提取人脸局部特征,对局部变化(比如表情和遮挡等)具有很好的鲁棒性能。Gabor变换得到的人脸局部特征向量维数太大,为了解决此问题,利用基于人脸关键部位的Gabor特征分组及其融合的人脸表示和识别方法。通过赋予不同部位不同的权值,把多个特征进行融合,从而将高维的Gabor特征“化繁为简”。3、运用BP(Back Propagation)神经网络将人脸的全局特征和局部特征进行并行融合,在此基础上设计分类器,进行人脸识别。神经科学的研究表明,人的视野神经系统结合人脸的全局特征和局部特征来进行人脸识别,据此,通过神经网络对特征进行融合。通过教师信号,对网络进行训练,确定权值,形成分类器。实验数据显示,运用神经网络融合人脸全局特征和局部特征的方法,可以提高识别率。